双曲对比学习新突破！基因表达预测误差降6%，准确率提8%，横扫26个空间转录组数据集
Hyperbolic Contrastive Learning with Entailment for Spatial Transcriptomics
📖 AI 总结
该研究针对空间转录组学（ST）成本高、设备要求高且易受噪声干扰的问题，提出利用计算机视觉方法从组织病理图像直接预测空间基因表达。现有方法存在基因表达过度平滑、组织区域预测趋同的缺陷，根源在于未能刻画基因调控与组织形态的层次化、非对称结构。为此，作者提出HyCLoST模型，将双曲几何与对比学习相结合，并引入基因到图像的蕴含损失，以学习具有生物学意义的结构化表示。在26个ST数据集上，该方法较此前方法将均方误差降低6%，皮尔逊相关系数提升8%，表明双曲表示能有效提升基因表达预测的准确性与区域区分度。
🔑 关键词速览
| 空间转录组学 (Spatial Transcriptomics, ST) | 一种在组织切片上空间映射基因表达的技术，用于研究基因表达的空间分布。 |
| 双曲对比学习 (Hyperbolic Contrastive Learning) | 在双曲空间中进行的对比学习方法，能够更好地捕捉数据中的层次结构。 |
| 蕴含损失 (Entailment Loss) | 一种损失函数，用于建模基因表达与组织图像之间的蕴含关系，即基因表达蕴含图像特征。 |
| 基因表达过度平滑 (Gene Expression Over-smoothing) | 预测的基因表达在空间上过于平滑，缺乏区分度，导致组织区域间预测结果过于均匀。 |
| 皮尔逊相关系数 (PCC) | 衡量预测值与真实值之间线性相关程度的指标，常用于评估基因表达预测的准确性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅